Nesta análise procuramos responder algumas perguntas relacionadas a banda BaianaSystem, fundada em 2009 e em atuação até hoje tanto em território nacional quanto em vários paises pelo mundo, tem como objetivo misturar os mais diversos gêneros musicais com a “guitarra baiana”.
Todos os dados utilizados nessa análise foram recolhidos a partir da API provida pelo Spotify.
baiana = read.csv(here("data/baiana.csv"))
duasCidades <- filter(baiana, album_name == "Duas Cidades")
baianaSystem <- filter(baiana, album_name == "Baianasystem")
outrasCidades <- filter(baiana, album_name == "Outras Cidades (Remix)")
Qual dos álbuns de BaianaSystem é o mais popular?
todosAlbunsPlot <- plot_ly(data = baiana,
x = ~album_release_year,
y = ~album_popularity,
color = ~album_name,
text = ~album_popularity,
textposition = "auto",
type = "bar",
width = "800") %>%
layout(title = "álbuns",
xaxis = list(title = "Ano de Lançamento"),
yaxis = list(title = "Popularidade"))
ggplotly(todosAlbunsPlot)
Nessa análise podemos concluir que o mais popular dentre os três álbuns é o segundo. Com isso é comum pensarmos em quais motivos fazem esse álbum em especifíco ser o mais popular dentre os 3, pergunta que iremos responder nos tópicos abaixo.
Quais as características do álbum mais popular?
duasCidadesPlot <- plot_ly(data = duasCidades,
x = duasCidades$track_name,
y = duasCidades$danceability,
name = "Dançabilidade",
type = "bar",
width = "800") %>%
add_trace(y = duasCidades$energy,
name = "Energia") %>%
add_trace(y = duasCidades$valence,
name = "Valência") %>%
layout(title = "Duas Cidades",
xaxis = list(title = "Música", showticklabels = FALSE ),
yaxis = list(title = "Contador"),
barmode = "group")
ggplotly(duasCidadesPlot)
Neste gráfico podemos observar cada uma das músicas do álbum “Duas Cidades” e os valores: - Dançabilidade: quanto uma música é “para dançar”, quanto maior o valor, mais “dançável” é a música. - Energia: músicas enérgicas são, tipicamente, mais “rápidas”, altas e barulhentas. - Valência: se a música é mais feliz ou triste, quanto maior o valor, mais feliz a música.
Para saber o nome da música é só colocar o cursor(mouse) em cima de algum dos grupos de barras, cada grupo é uma música distinta do álbum. O mesmo procedimento pode ser feito para saber o valor exato de cada característica(energia, valência, dançabilidade) da música.
É interessante observar que a música “Playsom”, representada pela última barra, foi o que fez a banda ganhar destaque ao aparecer no jogo “FIFA 2016”, essa música em particular possui altos valores para as três características analisadas.
De um álbum para o outro, as emoções são muito distintas?
emocoes <- ggplot(data = baiana,
mapping = aes(x = energy,
y = valence,
label = album_name,
width = "800")) +
stat_density2d(aes(fill = ..level..),
geom = "polygon") +
scale_fill_viridis() +
facet_wrap(~album_name) +
labs(title = "Emoções dos álbuns",
x = "Energia",
y = "Valência")
ggplotly(emocoes)
Neste gráfico buscamos analisar, para cada álbum, as características: - Energia: músicas enérgicas são, tipicamente, mais “rápidas”, altas e barulhentas. - Valência: se a música é mais feliz ou triste, quanto maior o valor, mais feliz a música.
O medidor lateral chamado de “level”, indica a concentração de músicas em certo ponto do gráfico, ou seja, pontos mais claros possuem maior concentração de músicas.
Podemos observar que enquanto os dois últimos álbuns possuem grande distibuição, principalmente no que diz respeito a valência, o primeiro álbum segue uma linha muito consistente e a maioria das suas músicas se concentra ao redor de alguns pontos. Isso nos leva a pergunta, será que a valência e a dançabilidade do primeiro álbum estão relacionadas?
Valência e dançabilidade estão relacionadas no álbum “BaianaSystem”?
baianaSystemPlot <- plot_ly(data = baianaSystem,
x = baianaSystem$danceability,
y = baianaSystem$valence,
color = baianaSystem$track_name,
width = "800",
type = "scatter") %>%
layout(title = "Baiana System",
xaxis = list(title = "Dançabilidade"),
yaxis = list(title = "Valência"))
ggplotly(baianaSystemPlot)
No scatter mode specifed:
Setting the mode to markers
Read more about this attribute -> https://plot.ly/r/reference/#scatter-mode
n too large, allowed maximum for palette Set2 is 8
Returning the palette you asked for with that many colors
No scatter mode specifed:
Setting the mode to markers
Read more about this attribute -> https://plot.ly/r/reference/#scatter-mode
n too large, allowed maximum for palette Set2 is 8
Returning the palette you asked for with that many colors
Neste gráfico buscamos identificar se existe alguma relação entre a dançabilidade e a valência, no primeiro álbum lançado pela banda. Podemos identificar que não existe uma relação direta entre essas duas características, já que existem músicas de alta valência e pouca dançabilidade ou vice versa.
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